正 一、硷金属元素(Li、Na、K、Rb、Cs)的性能 元素周期表中第一主族元素硷金属的性能有它的规律性。例如:按Li、Na、K、Rb、Cs的顺序,由于原子半径逐渐增大,原子最外层电子与核之间的吸引力逐渐减小,因此,最外层电子则按Cs、Rb、K、Na、Li的顺序比较易于脱离原子。它们表现出来的效果就是按Li、Na、K、Rb、Cs的顺序,金属性逐渐增强,化学性逐渐活泼,逸出功逐渐变小,光电发射灵敏度逐渐增大,光谱响应的峰值(峰)与阈值(阈)逐渐移向长波。硷金属元素的这些性能如表1所列

可重构柔性网络链路失效将严重影响其上承载的可重构服务承载网(RSCN)的可靠性。文章基于路径备份策略着重解决时延敏感类型RSCN的可靠性问题，并提出分阶段处理方式进一步优化备份资源消耗。在拓扑预处理阶段，根据RSCN是否支持路径分裂分别提出分裂的最小备份拓扑生成(S-MBT-Gen)算法和最小备份生成树(MBST- Gen)算法，减小备份拓扑带宽约束总量；在拓扑映射阶段，提出主备拓扑协同映射(RNM-PBT)算法，协调利用底层网络资源。仿真结果表明，本文提出的算法降低了RSCN平均资源消耗，且具有较高的请求接受率和较低的平均执行时间。

针对弹性光网络中物理损伤导致业务频谱利用率低和传输能耗高问题，该文提出一种面向业务的链路损伤感知频谱分区(LI-ASP)能效路由策略。在LI-ASP策略中，为降低不同信道间非线性损伤，基于负载均衡设计一个综合考虑链路频谱状态和传输损伤的路径权重公式，根据调制方式的频谱效率和最大传输距离构造分层辅助图，从最高调制等级开始，为高质量业务选择K条边分离的最大权重传输路径；为低质量业务选择K条边分离的最短能效路径。然后，LI-ASP策略根据业务速率比值对频谱分区，采用首次命中(FF)和尾端命中(LF)联合频谱分配方式，减少不同传输速率业务间的交叉相位调制。仿真结果表明，该文所提LI-ASP策略在有效降低带宽阻塞率的同时，减少了业务传输能耗。

在低成本电子标签中实现安全隐私功能是RFID研究领域需要解决的一项关键技术，该文采用部分ID，CRC校验以及ID动态更新的方法，提出一种新型RFID相互认证协议，该协议具有前向安全性，能够防止位置隐私攻击、重传攻击、窃听攻击和拒绝服务攻击，新协议有效地解决了RFID安全隐私问题，并且符合EPC Class1 Gen2标准，它的硬件复杂度较低，适用于低成本电子标签。

该文提出一种高性能硬件加密引擎阵列架构，为大数据应用提供了先进的安全解决方案。该模块架构包括一个高速接口、一个中央管理和监视模块(CMMM)、一组多通道驱动加密引擎阵列，其中CMMM将任务分配给加密引擎，经由专用算法处理后再将数据传回主机。由于接口吞吐量和加密引擎阵列规模会限制模块性能，针对PCIe高速接口，采用MMC/eMMC总线连接构建阵列，发现更多加密引擎集成到系统后，模块性能将会得到提升。为验证该架构，使用55 nm制程工艺完成了一个PCIe Gen2×4接口的ASIC加密卡，测试结果显示其平均吞吐量高达419.23 MB。

本文在W.Li(1991)循环斜卷积算法和分布式算法的基础上,通过软件模拟和具体硬件设计,利用FPGA完成了可用于高清晰度电视核心解码器及其它信号与信息处理系统的88二维DCT/IDCT处理器的全部电路设计工作。它采用一根信号线控制计算DCT/IDCT,其输入、输出为12位,内部数据线及内部参数均为16位。

对Tseng-Jan(1999)的群签名方案提出了一种新的伪造攻击，任何人利用这种攻击都能伪造出有效的群签名。针对该文提出的伪造攻击和Z.C.Li等人(2000)提出的伪造攻击，对 Tseng-Jan的群签名方案进行了改进，提出了一种新的安全群签名方案。新方案不仅能抵抗各种伪造攻击，而且保留了Tseng-Jan方案的主要优点，并且增加了群成员可注销的特性。

该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义，并在空域中对其加以推广，用以提取图像的局部纹理信息；然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析，并与Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的纹理特征进行了比较。实验结果表明，该文提出的纹理特征具有更好的鉴别性能和分类能力。

相对于传统人工神经网络(ANN)，脉冲神经网络(SNN)具有生物可解释性、计算效率高等优势。然而，对于目标检测任务，SNN存在训练难度大、精度低等问题。针对上述问题，该文提出一种基于动态阈值LIF神经元(DT-LIF)与单镜头多盒检测器(SSD)的SNN目标检测方法。首先，设计了一种DT-LIF神经元模型，该模型可根据累积的膜电位动态调整神经元的阈值，以驱动深层网络的脉冲活动，提高推理速度。同时，以DT-LIF神经元为基元，构建了一种基于SSD的混合SNN。该网络以脉冲视觉几何群网络(Spiking VGG)和脉冲密集连接卷积网络(Spiking DenseNet)为主干(Backbone)，具有由批处理归一化(BN)层、脉冲卷积(SC)层与DT-LIF神经元构成的3个额外层和SSD预测框头(Head)。实验结果表明，相对于LIF神经元网络，DT-LIF神经元网络在Prophesee GEN1数据集上的目标检测精度提高了25.2%。对比AsyNet算法，所提方法的目标检测精度提高了17.9%。

不同于MAP(Maximum A Posteriori)算法，SOVA(Soft-Output Viterbi Algorithm)算法的软输出不是真正意义上的后验概率，很少有文献给出SOVA算法的完整数学解释。该文给出了一种完整的SOVA的数学表达形式，并从SOVA的数学表达出发推导出了两种等价于MAP，具有SOVA形式的译码方法，一种是Li等人(1995)给出的适用于连续传输的最佳软输出算法(Optimal Soft output Algorithm, OSA)；后一种是对OSA算法的改进，后者可以得到与前者等价的软输出，但是降低了运算复杂度。